Bonjour tout le monde.
Merci pour réglage dans à mon parler.
Je suis David Meintrup,
Professeur à Université d'Ingolstadt de Appliqué Sciences.
Et aujourd'hui, I volonté parler à propos A Lasso R émersion à Détecter R isk F acteurs
pour Fatal Le résultats dans Gravement malade COVID 19 Les patients.
Sur le dernier deux années,
quelque chose commencé à de plus en plus déranger moi,
et il est pas quoi toi probablement pense maintenant, le p andémique,
ou à moins pas seulement.
Le sujet est connecté à ce.
Ce est moi donner a parler sur profond apprentissage et artificiel intelligence
à le Découverte Sommet 2019 dans le merveilleux ville de Copenhague.
Et depuis alors,
il apparence comme IA a devenir le universel outil pour tout,
donc laisser moi donner toi un exemple.
Dans Peut 2021,
le Général Directeur de le Monde Santé Organisation
dit le suivant:
"Un de le cours de COVID 19
est que le monde besoins a significatif saut avant
dans données analyse.
Ce nécessite harnais le potentiel de avancé technologies
tel comme artificiel intelligence."
Donc à moi, ce se sent comme a peu, oublier à propos le scientifique méthode
définir le but, spécifiant le outils, déclarant le hypothèse, et etc.,
Juste baisse le magie mot artificiel intelligence
et toi sont sur le bien côté.
Donc donc, I décidé à donner ce parler dans le formulaire de a dialogue
entre un IA passionné sur le gauche côté et a statisticien sur le droite côté.
Et Je suis en allant à parler a peu plus spécifiquement sur statistique modèles,
artificiel intelligence, et pénalisé régression.
Et alors dans le deuxième partie de le parler, Je suis en fait en allant à présent
l'affaire étude à propos le de manière critique je vais COVID 19 patients.
Donc allons obtenir commencé.
Voici le d'abord question depuis notre IA passionné.
Dans le ère de artificiel intelligence et profond apprentissage,
OMS besoins statistique régression des modèles ?
Voici mon court répondre que I emprunté depuis Juan Faible n'importe lequel,
Vice Président à Microsoft.
"Quand nous augmenter argent, c'est IA, quand nous embaucher, c'est machine apprentissage,
et quand nous faire le travail, c'est logistique régression."
Donc I amour ce tweet parce que dans mon avis à moins,
il se condense a parcelle de vérité dans a très court déclaration.
IA a devenir a universel commercialisation outil.
Mais pour le réel problèmes, nous toujours utiliser traditionnel avancé statistique méthodes.
A petit peu plus long répondre pourrait être le suivant.
Si I regarder à le typique tâche de ingénieurs et scientifiques,
ils inclure innover, comprendre, améliorer, et prédire.
Et profond apprentissage et artificiel intelligence
est principalement a prédiction outil.
Pour tout autre,
nous toujours besoin avancé statistique méthodes comme traditionnel machine apprentissage,
statistique modélisation, et conception de expériences.
D'accord, mais toi avoir à admettre
que là sont très réussi applications de IA et profond apprentissage.
Bien, il y a absolument Non doute à propos que.
Pour exemple,
prédire le suivant se déplacer dans a jeu comme échecs et Aller.
Le profond- apprentissage algorithmes faire ce chemin mieux que n'importe lequel humain être.
Ou I serait comme à introduire mon préféré artificiel intelligence application,
lequel est résoudre le protéine pliant problème.
Le protéine pliant problème a fameusement a été introduit 1972
par le Nobel Prix gagnant, chrétien Les Anfinsen,
OMS dit dans son acceptation discours
que a protéines amino acide séquence devrait pleinement déterminer c'est 3D structure.
Et sur le dernier 50 années, ce problème a essentiellement a été non résolu.
Et là était très petit progrès
jusqu'à DeepMind par Google développé un IA- basé algorithme appelé AlphaF vieux
que à a très grand étendue résolu le protéine pliant problème.
Et toi voir deux exemples de ce sur le droite côté.
Ce est très impressionnant et beau travail.
Et I compris il ici parce que I recherché à clarifier
que ce est le parfait profond- apprentissage IA problème.
Nous avoir a vaste montant de données,
nous avoir a combinatoire explosion de options,
et le résultat nous sont regarder pour est a prédiction,
le réel 3D structure de le protéine.
Donc pour prédictions, nous devrait toujours utiliser IA.
Pas à tous.
Pour exemple, dans le ensemble de données que I volonté présent
à propos le de manière critique je vais COVID 19 patients,
nous vouloir le modèle à prédire si le patient volonté survivre ou volonté le.
Mais le pur prédiction n'a pas vraiment aide.
Si toi savoir quelqu'un est en allant à le, quoi toi vouloir est toi vouloir à traiter,
toi vouloir à prévenir, toi vouloir à savoir le risque facteurs,
toi vouloir à être capable à acte
et pas juste simplement prédire la mort ou survie.
Donc quoi nous besoin est a vraiment interprétable modèle
que volonté indice ces des choses que nous besoin
comme traitement, prévention, et risque facteurs.
Un autre chemin de regarder à il,
allons avoir a regarder à typique données- conduit modélisation stratégies.
Quoi est très typiquement fait dans profond- apprentissage IA environnement
est que toi prendre tous disponible données,
toi lancer il dans le profond- apprentissage IA algorithme.
Et il pourrait prédire très Bien le résultat que tu es regarder pour,
mais tu es obtenir a pleinement non interprétable modèle.
Qu'est-ce que un alternative?
Un alternative est à déjà dans le données collection processus
pense soigneusement quoi données faire toi besoin avec avancé statistique méthodes.
Alors appliquer a statistique modèle,
et comme a résultat, toi obtenir a pleinement interprétable modèle.
D'accord, dit notre IA passionné,
Mais toi sont manquant un important indiquer ici.
Statistique modèles pourrait être bon pour petit données ensembles,
mais pour grand données, ils ne peut pas être utilisé, droite?
Bien, Non.
Pour grand données ensembles, là sont plusieurs intelligent façons
à réduire le dimensionnalité
avant toi commencer avec le convenable processus de le modèle.
Et I serait comme à introduire, à moins prochainement,
trois de ces intelligent façons à réduire le modèle dimensionnalité.
Nombre un, redondance analyse, quelque chose toi pourrait avoir entendu à propos de.
Si toi avoir a grand données ensemble,
le prix toi payer est typiquement que le facteurs sont très corrélé
et toi peut mesure le montant de corrélation dans le ensemble de facteurs
par le valeur que est appelé variance inflation facteur.
Et alors toi peut en fait éliminer le facteurs
avec le le plus élevé variance inflation facteurs.
Pourquoi?
Parce que ils ne le faites pas ajouter supplémentaire information
à le ensemble de facteurs que toi sont déjà regarder à.
Donc ce est un classique chemin de réduire le dimensionnalité de ton données.
Si toi avoir catégorique données, pour exemple,
toi regarder à un X- rayon de le poumon et toi peut voir différent symptômes.
Alors toi peut avoir variables que décrire,
ce symptôme était là, ce symptôme était là,
ou un autre symptôme était là, X 1, X 2, X 3.
Peut être pour ton analyse,
c'est assez à distinguer une normale- regarder poumon
et a poumon que a quelques symptômes quelque part.
Dans autre mots, toi convertir a rangée seulement avec zéros à a zéro.
Et si il y a à moins un un, toi changement il à a un,
et toi créer a nouveau variable contagieux ce information.
Ou à donner toi un alternative, toi pourrait somme X 1, X 2, et X 3,
et compter le nombre de symptômes que toi voir sur un X- rayon.
Ce procédure est appelé notation
et est a très efficace chemin de réduire dimensionnalité.
Principal composant analyse a exactement le même esprit.
Il se recombine continu variables.
Il prend a linéaire combinaison de continu variables
avec le idée de contagieux le variation dans un nouvellement créé variable.
I appel ces dimensionnalité réduction méthodes intelligent,
parce que quand toi appliquer eux,
toi déjà apprendre quelque chose à propos ton données.
Et c'est le entier but de statistiques, n'est pas il?
Apprentissage des choses depuis ton données.
Donc laisser moi résumer le avantages de statistique modèles.
D'abord, ils peut être utilisé pour tous types de tâches,
pas seulement pour prédictions.
Deuxième, le modèle lui-même est utile et pleinement interprétable.
Et troisième,
toi peut commencer dans a grand ensemble de données avec intelligent dimensionnalité réduction
avant toi en fait ajuster le modèle.
Je suis toujours pas convaincu.
Peut toi donner moi un exemple de a statistique modèle
que toi appliqué à a grand ensemble de données ?
D'accord, donc allons introduire logistique Lasso régression.
Lasso est un abréviation
pour moins absolu rétrécissement et sélection opérateur,
et pourquoi il est appelé comme que, I volonté expliquer dans a peu moments.
Allons-y introduire ce Lasso régression dans quatre mesures.
Étape nombre un est à rappeler nous-mêmes de le logistique régression modèle.
Dans a logistique régression modèle, nous avoir a catégorique,
dans le le plus simple cas, deux- niveau facteur...
Désolé, un catégorique réponse avec deux niveaux,
et nous avoir a but à modèle le occurrence probabilité de le événement.
Ce est typiquement fait avec ce S- en forme fonction
que correspond à le probabilité de le événement en fait se produisant.
Le fonctionnel terme est donné ici à le gauche,
mais le bien nouvelles est que
avec un facile transformation que est appelé logit transformation,
toi peut tourner le original valeurs dans enregistrer il valorise,
et alors le résultat est a simple linéaire régression
sur le valeurs logit.
Donc le bas doubler est logistique régression,
est simplement linéaire régression sur logit valeurs.
Étape nombre deux.
Ce est a classique situation de a deux- facteur linéaire régression modèle.
Et comment faire nous ajuster ce à a données nuage?
Bien, nous faire ce avec le aide de a perte fonction.
Pour exemple, nous prendre le somme de quadrillé erreurs,
et alors nous regarder pour le minimum de ce fonction.
Ce est le très célèbre et standard ordinaire carré estimateur
que est le résultat de minimiser spécifiquement ce perte fonction
donné par le somme de quadrillé erreurs.
Troisièmement, quelque chose que est peut être moins connu,
I serait comme à introduire concept f des mathématiques
le norme de a vecteur que est en fait juste a représentation
de le notion de le distance de a longueur de a vecteur.
Allons-y regarder à trois exemples.
Le d'abord un que toi voir ici dans le milieu
est le classique distance que toi tous savoir et utiliser.
Ce est le euclidienne distance.
C'est calculé par prise le carrés de le coordonnées
et alors prise le carré racine.
Le unité cercle comme toi savoir représente tous points
que avoir a distance un, depuis le centre.
Ce est le classique euclidienne norme.
Nous peut simplifier ce calcul par simplement prise le somme de absolu valeurs.
Donc plutôt de prise a carré et prise a carré racine,
nous simplement somme le absolu valeurs.
Ce est appelé le L_1 norme.
Et quoi toi voir ici, ce diamant est le représentation
de le unité cercle de ce L_1 norme.
Dans autre mots, tous le points ici sur ce diamant avoir distance un ,
si toi mesure distance avec le L _1 norme.
Enfin, le donc- appelé maximum norme où toi continuer à simplifier.
Toi juste prendre le plus grand valeur de le deux absolu valeurs, x1 et x2 .
Si toi pense à propos quoi le unité cercle est dans ce cas,
il volonté en fait tourner dans a carré.
Ce carré est le unité cercle pour le maximum valeur.
Donc dans résumé, nous peut mesure distance dans différent façons dans mathématiques,
et quoi toi voir ici, le diamant, le réel cercle ou carré
sont unité cercles.
Donc points avec distance un, juste mesuré avec trois différent normes,
trois distances,
trois différent notions de quoi a longueur est.
Enfin, allons combiner tout nous avons fait donc loin.
Donc nous commencer avec le logistique régression modèle.
Nous ajouter le perte fonction.
Et maintenant, plutôt de prise le ordinaire perte carrée fonction,
nous ajouter un supplément terme.
Et ce terme consiste essentiellement de le L_1 norme de le paramètre.
Toi voir que nous ajouter le absolu valeurs, Bêta_1 et Bêta_2 ?
Donc ce est le L_1 norme de le paramètres
que nous ajouter à le perte fonction.
De cours, ce est juste un choix.
Toi pourrait aussi carré ces.
Alors, toi serait obtenir quoi est appelé a Crête régression
si toi prendre le carré de le paramètres.
Ce d'abord un ici,
le haut un que nous sont en allant à continuer à utiliser
est appelé le Lasso ou L_1 régression
parce que ce terme ici est simplement le Norme L_1 de le Bêta,
de le paramètre vecteur.
Maintenant, dans l'ensemble, quoi ce moyens est que toi punir le perte fonction
pour choisir grand Bêta valeurs.
Et ce est pourquoi ce peine que toi introduire
conduit à le terme pénalisé perte fonctions.
Donc si toi avoir a punition, une pénalité pour grand Bêta vecteurs,
alors plutôt de faire ordinaire moins carrés,
toi faire a pénalisé régression.
Maintenant, allons regarder a petit peu plus proche à le effet que pénalisation a.
Donc ce est une fois encore le pénalisé perte fonction
avec ce supplémentaire terme ici.
Maintenant, le graphique que toi voir ici
est indépendant de le donc- appelé réglage paramètre, Lambda.
Le plus grand Lambda est, le plus poids ce terme a,
et le plus il volonté forcer le Valeurs bêta à être petit.
Ce est pourquoi toi voir que le paramètres rétrécir.
Et ce est pourquoi ce entier procédure est appelé absolu rétrécissement.
Deuxièmement, dans ce graphique, toi peut considérer ce zone ici,
ce diamant comme le budget que toi avoir
pour le somme de le absolu valeurs de Bêta.
Et sur ces ellipses, le résiduel somme de carré est constante.
Donc tu es regarder pour le le plus petit résiduel somme de carré
dans le budget.
Ce dans le cas dessiné ici conduit à ce indiquer ici.
Et exigible à le forme de ce diamant,
ces deux volonté typiquement connecter dans a coin de le diamant.
Et quoi ce moyens est que le correspondant paramètre
est ensemble précisément à zéro.
Et ce est pourquoi ce méthode est aussi bien pour sélection
parce que paramètre ce paramètre zéro moyens rien autre
que de donner des coups de pied il dehors de le modèle.
Donc ce est dans résumé pourquoi nous appel le L _1 régression Lasso.
Il a a rétrécissement élément et a sélection élément
exigible à ces deux décrit caractéristiques.
Un dernier pratique aspect de Lasso régression
est à propos le réglage paramètre, ce Lambda ici.
Comment faire toi choisir il?
Bien, un très commun approche est le suivant:
toi utiliser a validation méthode
comme pour exemple, Informations sur Akaike critère,
et toi parcelle le dépendance de le AIC de Lambda.
Et alors toi peut prendre a Lambda valeur
que donne toi a minimal AIC.
Sur le gauche côté, toi voir comment le paramètres rétrécir
et toi peut voir le bleu lignes que correspondre à le paramètres
que sont en fait non- zéro
alors que le autre ceux sont déjà forcé à être zéro.
Je suis toujours pas convaincu.
Peut toi montrer moi a béton cas étude?
De cours.
Donc le données que Je suis en allant à présent ici
consiste de 739 gravement malade unité de soins intensifs patients avec COVID 19
que était collecté dans le début de le pandémie
entre Mars et Octobre 2020.
Nous avoir un binaire réponse
que consiste de le niveaux rétabli et mort,
et nous avoir 43 facteurs:
laboratoire valeurs, signes vitaux, pré- existant conditions, et ainsi de suite.
Ce est le données que nous sont en allant à analyser maintenant.
Donc ici, toi voir le ensemble de données.
Il a 44 colonnes, comme toi peut voir vers le bas ici.
Et 739 patients.
Maintenant, allons commencer familiarisation a petit peu ici avec le données.
Nous avoir ce dernier connu statut, rétabli et mort,
âge, sexe, et IMC.
Et alors nous avoir supplémentaire ligne de base valeurs,
comorbidités, signes vitaux, l un b valeurs, symptômes, et tomodensitométrie résultats.
Allons-y regarder à quelques distributions.
Donc ce est le distribution de le dernier connu statut.
Donc toi peut voir que malheureusement 46 pour cent de ces patients décédé.
Nous voir ici le biaisé âge distribution avec un accent ici au-dessus de 60.
Et toi peut voir que à peu près 70 pour cent de le patients sont mâles.
Avoir a regarder à le supplémentaire ligne de base valeurs.
Toi peut voir ici le corps masse indice,
et toi volonté avis que nous avoir a tendance de un haut corps masse indice
au-dessus de 25.
Nous avoir assez a parcelle de AS et À inhibiteurs,
et aussi de statines, donc traitements pour cholestérol
et pour sang pression et quelques immunosuppresseur.
Suivant, comorbidités.
Toi voir que presque deux tiers sont hypertendu,
et nous avoir assez a significatif montant de cardiovasculaire maladie,
de pulmonaire maladie,
et à propos 30 pour cent de notre patients avoir diabète.
Maintenant, pour le restant quatre groupes, signes vitaux, l un b valeurs, symptômes, et CT,
Je suis en allant à montrer toi un représentant depuis chaque
donc que toi peut obtenir a sentiment de comment ces valeurs sont distribué.
Ce est le respiratoire taux.
Ces sont le nombre de lymphocytes.
Donc ce est a vital paramètre, a laboratoire paramètre.
Ici, toi avoir a symptôme, grave foie échec
que peut se produire sur le Unité de soins intensifs.
Et ce est a tomodensitométrie résultat,
zones de consolidation que peut être vu sur le tomodensitométrie de le poumon.
D'accord, donc maintenant nous sont prêt
et nous sont en fait en allant à analyser le modèle.
Donc I aller à Analyser, F il M modèle.
I prendre le dernier connu statut.
C'est pourquoi I lancer dans tout autre comme facteur
et I aller à Général Régression
lequel est en allant à effectuer le Lasso régression.
Toi peut voir ici que le Lasso estimation méthode
est déjà présélectionné.
Donc si I cliquez sur Aller, le procédure est déjà fini.
C'est très rapide, et ce est le résultat.
Ce est le capture d'écran que toi scie déjà sur le glisser.
Maintenant, Je suis pas en allant à travail avec ce modèle pour le suivant raison.
Si I aller ici en haut à le Modèle C comparaison section,
I voir que I avoir 30 paramètres dans ce modèle.
Donc ce modèle est toujours très grand.
Si I aller dos vers le bas ici,
I peut voir que mon AIC n'a pas changement a parcelle si I mettre il plus loin à le gauche.
Plutôt de faire ce manuellement, quoi Je suis en allant à faire
est Je suis en allant à changement le paramètres de JMP
donc que il n'a pas prendre le meilleur- ajuster, le minimal AIC,
mais plutôt le le plus petit dans le jaune zone.
Donc ce est quelque chose I peut faire ici dans le Modèle Lancement.
Donc I prendre le C avancé contrôle
et I changement Meilleur Ajuster à S le plus petit en Y jaune Z un.
I cliquez sur Aller.
Et maintenant, en fait I avoir a très bon modèle avec 16 paramètres.
Maintenant, ce est le modèle Je suis en allant à utiliser.
Et à être capable à montrer toi quoi facteurs sont dans ce modèle,
Je suis juste en allant à sélectionner eux, Sélectionner Non nul Termes.
Maintenant, I avoir ces 16 choisi,
et I peut mettre eux dans a logistique régression
et activer le chances ratios.
Donc sur le haut, nous voir le 16 effets dans notre modèle.
Et ci-dessous, nous peut voir le chances ratios.
Donc pour exemple, le chances rapport de âge est 1.07.
Si toi prendre ce à le pouvoir 10, il volonté donner toi à peu près a valeur de deux,
lequel moyens que avec 10 ans plus,
à peu près, environ ton chances rapport double.
Ton chance de en train de mourir est deux fois comme haut comme avant.
Et alors ci-dessous ici,
nous avoir le chances ratios pour le pédagogique variables.
Donc pour exemple,
coronaire cardiovasculaire maladie a un impair rapport de 1.62.
Maintenant, I serait comme à indiquer dehors quelques de ces résultats.
Donc allons d'abord regarder à facteurs
que sont Bien- connu depuis le général population.
Donc ici, toi voir le dépendance de le dernier connu statut contre âge.
Et toi peut voir comment ce croissant âge
augmenter ton chance de en train de mourir très de manière significative.
Comme I dit avant, le chances rapport de 10 ans est à peu près double.
Sur le gauche côté,
toi voir pulmonaire maladie et cardiovasculaire maladie
que les deux aussi avoir a significatif effet sur le risque de en train de mourir depuis COVID- 19.
Et ces les facteurs sont aussi valide dans le général population.
Maintenant, plus Il est intéressant de noter que
nous trouver ces trois facteurs pas à être dans notre modèle.
Donc genre, IMC, et hypertension sont pas partie de notre modèle.
Donc comment est que possible?
Bien, c'est critique à souviens-toi
que notre population consiste de unité de soins intensifs patients.
Ils sont déjà de manière critique je vais.
Donc nous avoir 72 pour cent de mâle patients,
nous avoir presque 80 pour cent que avoir a IMC sur 26,
et deux tiers sont hypertendu.
Donc ces facteurs volonté en fait très augmenter ton risque
de un critique cause de le COVID- 19 maladie.
Mais une fois toi sont de manière critique je vais, à que indiquer, ils ne le faites pas matière plus.
Donc que était a très important résultat pour nous.
Lequel facteurs porter sur depuis le général population
et lequel facteurs disparaître dans leur importance
une fois toi sont déjà gravement malade ?
Enfin, I serait comme à indiquer dehors un plus aspect lequel est statines.
Statines étaient entièrement insignifiant.
Toi voir le P valeur ici de 25 pour cent une fois toi regardé à eux de manière univariée.
Mais dans notre multi factorielle modèle, ils étaient très significatif.
Et comme toi peut voir ici, le chances rapport est ci-dessous un,
réduire le risque de mortalité.
Donc ce est a très important leçon.
Parfois, personnes choisir risque facteurs d'abord dans grand ensemble de données
par regarder à eux de manière univariée.
Et si toi a fait que, toi serait avec garantie
avoir manqué statines,
parce que de manière univariée, c'est complètement non pertinent.
Mais dans notre multifactoriel modèle,
nous pourrait montrer que statines avoir a protecteur effet
contre en train de mourir depuis COVID 19 une fois toi sont de manière critique je vais.
Ce trouver a a été plus tard confirmé par autres.
Et juste comme un exemple,
I compris a méta- analyse depuis Septembre 21
que en effet confirme que statines réduire le mortalité de patients
dans a très grand méta- analyse avec presque 150 000 patients.
Si tu es intéressé dans plus détails,
nous publié notre travail dans le Journal de Clinique Médecine.
I serait comme à prendre le opportunité à remercier mon co-auteurs,
dans particulier, Stéphane Borgmann et Martina Nowak- Faire
depuis le clinique dans Ingolstadt.
Et I serait aussi comme à remercier toi très beaucoup pour ton attention,
et Je suis regarder avant à ton des questions.
Remercier toi très beaucoup.
